TLBO算法的改進及其在桁架及鋼框架結構優(yōu)化設計中的應用研究.pdf

1、隨著技術和設備的發(fā)展，工程結構優(yōu)化設計中的結構模型已經(jīng)逐漸由依賴大量假設建立簡化模型轉移到更加反映結構本質的復雜模型，這一轉變提高了優(yōu)化問題的準確性和適用性。但是基于這種建模方式得到的優(yōu)化命題大都具有方程個數(shù)較多，變量維數(shù)高，非線性強等特點，這使得工程結構優(yōu)化問題的求解及變量的儲存都困難重重。在面對這類問題時，常規(guī)優(yōu)化計算對初值敏感性，收斂性，收斂速度等方面捉襟見肘。這時就需要有一個高效的優(yōu)化工具來彌補傳統(tǒng)優(yōu)化算法的不足。近些年啟發(fā)于生

2、物行為的生物啟發(fā)式計算以其易于實現(xiàn)，高效的優(yōu)化性能，計算相對簡單，無需問題特殊信息等優(yōu)點在解決復雜工程結構優(yōu)化問題時扮演著重要角色。
　　本文在回顧了生物啟發(fā)計算的發(fā)展及其在結構優(yōu)化設計中應用的基礎上，介紹了一例新的生物啟發(fā)算法—教與學優(yōu)化算法，并將它應用在空間桁架截面優(yōu)化設計和桁架幾何優(yōu)化設計中。通過他們在結構優(yōu)化上的表現(xiàn)發(fā)現(xiàn)精英策略的設置對算法的優(yōu)化性能的改善無明顯效果，并且教與學優(yōu)化算法在較低維度和可行解空間較復雜時易陷入局

3、部最優(yōu)。針對教與學優(yōu)化算法易陷入局部最優(yōu)解，局部搜索能力不強的特點，引入混沌搜索，利用混沌搜索遍歷性和隨機性的特點使算法容易跳出局部最優(yōu)點;同時針對教與學優(yōu)化算法教學階段只利用種群的平均值導致群體間的互動性不足從而容易引起算法的“早熟”，在教學階段引入生物的被動集合行為。經(jīng)過這一系列的改進后的算法稱之為改進的混沌教與學優(yōu)化算法。改進后的算法繼承了教與學優(yōu)化算法不需特定參數(shù)的優(yōu)點。最后將改進的混沌教與學優(yōu)化算法應用到離散截面的鋼框架結構優(yōu)